AI BENCHY
Advertise here
#79

Kimi K2.5

Moonshot AI Lansare: 2026-01-27 Testat la: 2026-05-22 00:12 moonshotai/kimi-k2.5::medium
(medium) (none)

Rezumat

Kimi K2.5 obține 6.7 pe AI BENCHY și este pe #79. Are fiabilitate 10.0, rată de reușită 66.7%, cost total $0.314 și timp mediu de răspuns 89.36s.

Ce face Kimi K2.5 unic: Se remarcă cel mai mult la Inteligență generală, unde este pe #3, iar Programare este zona cea mai slabă, la #11.

Scor

6.7

Consistență

6.8

Fiabilitate

10.0

Cost total (preț curent)

$0.314

Total tokenuri de ieșire

174,803

Total tokenuri de intrare

0

Preț de intrare

$0.400 / 1M

Preț de ieșire

$1.900 / 1M

Teste corecte

Teste greșite: 11

Rată de trecere pe încercare: 66.7%

Teste instabile

8

Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).

Timp de răspuns (mediu)

89.36s

Timp de răspuns (maxim): 281.00s

Timp de răspuns (total): 1161.65s

Răspuns greșit: 5 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Timp expirat: 2

Prezentare generare

Hamster playing table tennis

Prompt: Create a detailed SVG illustration of a hamster playing table tennis.

#79 MoonshotAI: Kimi K2.5

medium
Cost
$0.030
Timp
58.6s
Tokenuri
8,683 tok

Istoric rulări

Testat la Scor Fiabilitate Teste corecte Cost total Compară
2026-06-04 13:43 Test nou adăugat 6.8 10.0 $0.328 ↓ Compară
2026-05-22 00:12 Suită modificată 6.7 10.0 $0.314 Rularea curentă
2026-04-20 17:48 Prima rulare înregistrată 7.0 N/D $0.220 Compară

Această rulare a folosit o suită de benchmark diferită. Ține cont de schimbările suitei când interpretezi evoluția istorică.

Grafice

Alege primul model, apoi fă clic pe al doilea model pentru a deschide o pagină alăturată.

Total tokenuri de ieșire

Scor vs Total tokenuri de ieșire

Comparație rapidă

Kimi K2.5mediumvsDeepSeek V4 ProhighKimi K2.5mediumvsMiniMax M3mediumKimi K2.5mediumvsMercury 2mediumKimi K2.5mediumvsStep 3.7 FlashlowKimi K2.5mediumvsGPT-5.3 ChatnoneKimi K2.5mediumvsGemini 3.5 FlashhighKimi K2.5mediumvsGemini 3 Flash PreviewmediumKimi K2.5mediumvsNemotron 3 Ultra 550b A55bmediumDisponibil gratuitKimi K2.5mediumvsGPT-5.5low

Defalcare pe categorii

Categorie Scor Consistență Teste corecte
Trucuri anti-AI 7.3 5.8
Programare 4.1 1.9
Combinat 10.0 10.0
Parsare și extragere de date 10.0 10.0
Specific domeniului 3.5 4.4
Inteligență generală 6.5 3.4
Respectarea instrucțiunilor 10.0 10.0
Rezolvare de puzzle-uri 5.3 7.3
Apelare instrumente 10.0 10.0
Cultură generală 3.0 10.0

Modele comparate